随着数据获取技术突飞猛进地发展，模式识别领域的高维数据越来越多。这些高维数据里的冗余信息不仅严重影响分类器的精度，增加分类器训练的难度。这些高维数据还会造成“维数灾难”。降维作为克服维数灾难的有效手段，越来越受到研究者们的关注。最近研究表明，这些高维数据更有可能分布在非线性流形上，这对传统的基于全局欧氏的降维技术带来了挑战。作为一种新的非线性降维技术，流形学习能够有效地保持数据的拓扑结构，并已广泛地应用到人脸识别、数据可视化等众多领域。但基于流形学习的降维技术在模式识别应用中存在着诸多缺点，如外样本问题、过学习及无监督学习等。为了提高流形学习的识别能力，本文提出了两种新的有监督的流形学习的降维方法。1.首先提出了一种新的加权非参数最大间隔(Weighted Nonparametric MaximumMargin Criterion,WNMMC)降维方法，并将此方法与线性化的LLE算法融合提出了一种新的有监督的流形学习算法非参数判别性局部线性嵌入(Nonparametric Locally LinearDiscriminant Embedding, NLLDE)。最后在常用人脸识别数据库上进行验证和实验对比。2.提出了判别性局部相似信息和差异信息保持映射(Local Similarity and DiversityPreserving Discriminant Projection, LSDDP)。LSDDP通过构建的相似邻接图和差异邻接图保持样本的相似信息和差异信息，并根据样本的类别信息和局部结构信息对相似权值和差异权值赋值。最后，我们用人脸识别和手写体识别实验对算法进行验证和对比，证明了算法有效性。